重點摘要

從模型能力到執行層　AI 這幾年從類神經網路、Transformer 一路走到聊天介面，但真正的變化是最新這批 agent 能實際採取行動，這也是這場演講要談的重點。

X12 天生就是護欄　講者把 X12 比作 COBOL、TypeScript 這類規則嚴謹的語言，語言模型在被限制清楚的格式裡反而表現得更好，X12 剛好提供這種公開、固定的結構。

理賠是一長串會出錯的步驟　從掛號、資格確認到送出理賠、收到款項，每一步都有對應的 X12 交易代號；步驟一多，錯誤就會一路往下傳，所以每一步都要能被檢查、能被擋下來。

記憶要謹慎使用　企業醫療系統不會像個人工具那樣把記憶直接寫在桌面，而是存進資料庫，分成組織層級與使用者層級；但記憶也會帶來偏見，要留使用者跳脫慣性的空間。

X12 不等於真相　保險公司回傳的 X12 可能來自不同廠商或系統，彼此會互相矛盾，甚至全部一致地錯；講者建議把它當成「暫時正確，直到有下游證據推翻」的資訊。

AI-pilled 但要 AI-skeptical　講者自認完全相信 AI 的潛力，但也提醒要對模型保持懷疑，選模型時要顧到成本，不要拿昂貴的模型處理一天要跑上千次的例行工作。

值得記的話

But also, in the context of healthcare and claims, it's X12.

但放到醫療理賠的情境裡，這個 harness 說的就是 X12

08:52

You just have this crazy bloat, and you have to have this giant engineering team, which poses its own problems.

把整套流程寫死，只會讓程式碼腫到失控，還得養一個龐大的工程團隊，反而製造新問題

11:03

They can all actually agree on the wrong information as well.

所有系統甚至可能一致同意錯誤的資訊

16:07

So being AI-pilled is great, but you should also be very AI-skeptical.

相信 AI 的潛力很好，但同時也要對它保持高度懷疑

19:20

時間軸　11 段

名詞與人物　12 個

提到但沒有展開

• 講者提到，他接觸過的醫療科技公司裡約有一半至今仍是純手動處理這些 X12 交易，沒有進一步說明轉型的困難點在哪裡。
• FHIR 在演講中只被提及一次，作為保險公司除了 X12 之外可能使用的另一種資料交換層，兩者的差異沒有展開。